在监控活动及判断风险的现场,需要监控摄像机对运动目标进行分类。在城市中,监控系统的任务是对识别目标进行分类,如,一个人,一群人,车辆,动物,自行车等。在海上时,分类任务需要分类船舶,如小型休闲船舶（如,帆船、小艇、快艇）,商业船舶（如,货船、油轮、驳船、拖船、游轮）以及海军舰艇（如,快艇、海岸巡逻舰）。本节中,我们说明了特定领域的先验知识以及其他的信息来源,可以用来改善海上监控系统的分类性能（图17.5）。[3]除了外观,船舶分类信息的其他来源是自动识别系统（AIS）提供的。总吨位在300或300以上的船舶需要提供其AIS信息。通过AIS接收器很容易得到AIS信息,用来了解该区域在近期和长期内运动船舶的数量和类型的动态。图17.6所示为,AIS信息收集到佛罗里达州一个港口超过6个月以来每种船舶出现的数量。很显然,货船是该港口最常见的访客,而乘客游轮没有到访。AIS信息中,船舶出现的先验知识以及测定特性是重要的线索,可以提高对船舶进行视觉分类的准确度。
图17.5 商用船舶分类的例子
图17.6 佛罗里达州一个港口的AIS数据。船舶出现次数与船舶类别的对应关系。货运船舶和拖带船舶是港口最常见的船舶。为了提高分类性能,把这些信息应用到基于图像的船舶分类器中
为了给船舶的外观建模,我们采用一组新的启发式生物特征,称为“C2特征”[482],比起常用的基于哈尔特征或基于直方图特征,它能很好地平衡复杂性与识别能力。这个集合中的每个元素代表一个特征,通过把局部边缘检测器的结果和边缘的多方向结合在一起获得了该特征,这里的局部边缘检测器具有近邻抗微小尺度和位置变化的能力,也就是说,仿真了初级视觉皮层复杂的细胞结构。提取C2特征先要进行特征集上的计算,而其中的特征是从真实的训练集中学习得到的。然后,从输入图像得到的特征向量学习得到改进的多值分类器[191]。除了C2特征,我们也赞成从AIS数据中提取船舶的三维测量数据（高度,宽度,长度）,把它们作为用于分类的特征。改进的多值分类器只使用C2特征,其分类结果显示在图17.7。前六类属于大船,而剩下的七类属于小船。注意到这种分类仅仅是基于外观信息（C2特征）,而在分析中没有使用基于AIS的先验信息。对于大船（长度/重量40+ft/t的船只）和娱乐小船的分类分析表明没有使用三维测量信息。
图17.7 游艇和商用船舶使用改进的多值分类器的分类结果。分类时只用了外观特征
①货船很容易从其余的船只中辨认出来。
②游轮有时被误认为是货船或驳船。
③驳船往往被误认为是货船,海岸警卫队快艇,油船或游轮。
④气垫船多半误认为是游船,货船或海岸警卫队快艇。(www.xing528.com)
⑤海岸警卫队快艇经常被误认为是游轮或货船。
⑥油轮不易从其他船舶中分辨出来。
⑦拖船很容易从其他的船舶中分辨出来。
⑧快艇有时被误认为游艇或独木舟。
⑨游艇多半被误认为是快艇或浮舟。
⑩水上摩托艇多半被误认为是浮舟或独木舟。
⑾帆船,浮舟和独木舟无法从其他的船舶中区别出来。
利用从AIS信息得到的有关三维测量的先验知识可以进行进一步的实验。利用先验信息的改进的多值分类器的分类结果显示在图17.8。从中可以得出,比起仅使用基于图像特征的分类器,领域内先验知识显著地提高了分类性能。
图17.8 使用改进的多值分类器对游艇和商用船舶的分类结果。仅使用测量方法,总体准确度略有提高,但相比仅使用外观特征,其整体召回率下降。利用基于外观和测量的先验知识,对于所有的船舶来说,分类准确度和召回率显著地改善
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
